Context Rot: por que as sessões do Claude Code se degradam e como governar o contexto

Context Rot: por que as sessões do Claude Code se degradam — e como governar o contexto

Você conhece a experiência: uma sessão longa com o Claude Code começa afiada, produtiva. Depois de uma hora, o agente começa a repetir abordagens que já falharam, ignora decisões anteriores, ou simplesmente perde o fio da meada. Isso não é um bug — é context rot (degradação do contexto), e acontece muito antes de você atingir o limite de tokens.

Em uma análise profunda publicada no Towards Data Science, Jake Minns disseca os mecanismos por trás desse fenômeno e propõe uma estrutura de governança de contexto que transforma ferramentas como o Claude Code de “ocasionalmente frustrantes” para “consistentemente afiadas”.

Os dois tipos de degradação

Minns separa o context rot em duas categorias. A primeira é a degradação intrínseca: uma propriedade de como o modelo aplica atenção sobre a janela de contexto. Cada token gerado pelo modelo “olha” para trás através de toda a janela de contexto — e esse mecanismo, por construção, nunca é gratuito.

O problema está no softmax, a função que força as pontuações de atenção a somarem 1. Isso cria um orçamento fixo de atenção. Tokens irrelevantes nunca contribuem exatamente zero — eles competem pelo mesmo orçamento, diluindo o sinal. “Contexto irrelevante nunca é gratuito”, resume Minns. E há ainda o efeito de posição: fatos no meio de um contexto longo são menos acessados que fatos no início ou no fim — a chamada curva em U da recuperação de contexto, documentada em pesquisas como Liu et al. (2024).

A segunda categoria é a degradação de conteúdo: o acúmulo de informações obsoletas, erradas e contraditórias ao longo da sessão. A abordagem que falhou mas o agente insiste em tentar de novo. As dezenas de tool calls tangenciais que não levaram a lugar nenhum. Tudo isso é repetidamente reprocessado, moldando silenciosamente o resultado.

E aqui está a boa notícia: ao contrário da degradação intrínseca, a degradação de conteúdo está sob nosso controle.

Governar o contexto na prática

Minns propõe três princípios de governança que qualquer desenvolvedor pode aplicar imediatamente:

1. Compressão seletiva acima de sumarização cega. Não basta pedir “resuma a sessão”. A compressão deve preservar estrutura: decisões tomadas, evidências observadas, lacunas não verificadas. O objetivo não é guardar tudo — é guardar o que importa para a próxima execução.

2. Sinalização de proveniência. Toda informação no contexto deveria carregar metadados de confiabilidade: isso foi observado em runtime? Foi inferido pelo modelo? Foi corrigido pelo usuário? Foi contradito depois? Sem proveniência, o agente trata nota mental e fato verificado com o mesmo peso — e isso é perigoso.

3. Poda agressiva do meio. Dado o efeito U da atenção, a região central de sessões longas é onde vive a maior parte do conteúdo real — e também onde a recuperação é pior. Minns recomenda mover fatos críticos para marcadores no início do contexto e limpar ativamente informações obsoletas do meio da sessão, em vez de apenas anexar mais contexto.

O que isso significa para quem usa agentes de código

O insight mais importante do artigo é que o limite de contexto declarado não é um precipício de performance — a erosão é gradual e começa cedo. Uma sessão de Claude Code com 50 mil tokens já pode estar significativamente degradada, mesmo que o modelo anuncie suporte a 200 mil.

Para equipes brasileiras que estão adotando agentes de código em projetos complexos, entender e aplicar governança de contexto não é otimização prematura — é a diferença entre um assistente que acelera o trabalho e um que gera retrabalho.